如果你不理解猪是怎么生活的，
你就无法理解它的行为意味着什么。
2024年春天的损失事件结束后，我们面临一个选择：是立刻进入技术实现，还是先停下来真正理解这个问题。
我们选择了后者。这个决定，从回头看，是整个项目最重要的一步。
工程师的本能是寻找已知的模式，然后用工具去匹配。"猪场需要监控行为"——这听起来很像是一个计算机视觉问题。它确实是，但只是其中一小部分。
在我们开始读第一本《养猪学》教材的前几页时，就意识到：猪的行为模式远比"正常/异常"两分法复杂。
猪群的社会性比大多数工程师预想的要强。猪有明确的等级关系，有领地感，有情绪传染效应——一头猪的应激，会影响同栏其他猪只的行为节律。采食节律、活动周期、与围栏的距离分布、以及不同时段的聚集方式，都是有规律可循的。这些规律不是常识，而是需要系统性学习才能建立的认知框架。
从2024年中开始，团队进入了一个持续将近半年的"浸入阶段"。主要工作集中在三个方向：
这个阶段结束时，我们有一个核心结论，重构了后续所有的技术方向：
这个认知意味着：系统的核心价值不是"识别"，而是"持续在场"。识别是手段，持续运行才是目的。
我们最终理解了：猪场管理者真正需要的，不是一个能分析视频的算法。
而是一个能代替"人的眼睛"持续守在猪舍里的系统。
这是一个比"AI识别猪"深得多的问题。
因为很多技术团队会跳过这一步——直接进入实现。
结果是：系统在实验室里表现不错，但在真实猪场里水土不服。原因往往不是技术问题，而是对问题本身的理解存在偏差。
我们花了将近半年时间学习养猪，不是因为我们认为自己会成为养殖专家。而是因为：只有理解了这个领域的真实约束，我们才能判断什么是工程上真正值得做的。
当我们真正理解问题之后，下一步不是直接建模型。而是做技术方向的判断——并且犯了第一次错误。